中国建设信息化2023年5期

基于机器视觉的非结构化道路检测与障碍物识别方法

周剑坤

广州诚安路桥检测有限公司  广东广州  510420

摘要：为了能够有效的提高非结构化道路检测，保证障碍识别的质量，再具体的使用方法上可以采用最小错误率贝叶斯决策，Hough变换。在具体的识别中，可以利用Otsu 多阈值理论来构建相应的影像。同时利用Hough变换来展开相应的检测，对路面样貌进行相应的采取。影像采取后不断对其进行分割，通过持续不断的分割最终根据结果来判定障碍物。经过长时间的经验来看，该种方法能够有效的识别障碍物。

关键词：非结构道路；贝叶斯决策；障碍物识别

随着现代科学技术的不断发展,人工智能自动导航已经成为技术的发展趋势。目前智能导航技术已经在农业领域实现了重大的成功。在未来的技术发展中，自主导航系统将是重要的发展方向。自主导航系统的实现关键在于能够及时有效的对道路的变化进行相应的捕捉，能够明确道路中存在的障碍物。通过对相应的障碍物分析，构建相应的自主方案。对于结构化道路来说，其路况比较简单，捕捉路面情况比较容易。非结构化道路则是与之不同。非结构性的道路与结构性的道路相比，其没有明显的车道和道路边界。同时还容易受到光照、阴影、天气等方面的因素影响变化。因此，非结构化道路检测与障碍识别十分重要。

一、 非结构化道路检测方法

从现有的技术发展来看，非结构化道路检测方法主要有三种方式。第一种为道路特征方式。其主要原理是对道路区域在颜色或者纹理上的不同特征捕捉来加以识别的。该种方法比较适用于比较简单的路况之中，对于道路变化幅度大的难以进行有效捕捉。但是对于阴影、水等环境因素比较敏感。二是，道路模型方法。该方法主要是根据图像来构建道路模型。该方法能够有效的保证道路区域的完整性。但是比较复杂的道路难以进行相应的建模。三是，道路模型的方法和基于神经网络的方法。该方式主要是通过大量模仿练习的方式来加以实现。在实际的运用中需要大量的训练样本来尽可能的减少复杂路面的不利影响。由于非结构化道路处于比较复杂的自然环境之中，对其难以进行相应的检测。目前并没有比较成熟的方法。

基于此，本文从最小精准率出发，提出了叶斯决策和 Hough 变换的方法。该方法主要是利用Otsu多阈值理论来引入到贝叶斯决策中。然后利用分割的方式来对图像进行不断的分割处理。经过不断的分割处理，直至到处理成为最小的分割形态。在成为最小的分割形态以后，利用Hough变换来对道路加以检测。检测结束以后，继续对路面加以分割。一直循环下去，直至对完成对路面障碍的标识工作。

二、 融合Otsu多阈值理论与最小错误率贝叶斯决策的道路线图像分割

（一） 最小错误率贝叶斯决策数学模型

最小错误率贝叶斯决策数学模型是识别分类汇总最为常见的一种决策规则，具有广泛的运用性。在实际的运用过程中，其大致可以分为两类目标的最小错误率贝叶斯决策。该模式目标可以分为有目标的1类模式，无目标的另一类模式。

基于此，可以设置C1和 C2，分类前已知其先验概率 P(C1) 和 P(C2)，且 P(C1)+ P(C2)=1，对于一个未知类别 Cx，合理的决策应为：

CX∈C1,ifP(C1) >P(C2)。CX∈C2,ifP(C1) <P(C2)

传统的检验方法是基于大量信息检验的基础上。而现有的方法则不是基于大量信息验证的方法，单纯的依靠先验概率来对其进行相应的分类难以保证其质量。因此需要进一步的对其进行明确，根据现有的内容来进一步的判断。具体的方法为以下内容。

设已知观测向量 x,且已知其类条件概率与相应的类条件概率密度 P(x|C1)和 P(x|C2)，利用贝叶斯公式对其展开相应的分析。最终可以测出以下内容。

CX∈C1,ifP(C1)·P(x|C1)>P(C2)·P(x|C2)。

CX∈C2,ifP(C1)·P(x|C1) <P(C2)·P(x|C2)。

通过对上述分析可以判断出，最终的结果实际上是由实际观察的类体检概率密度P(x|Ci)和先验概率 P(Ci)，决定的。然后根据利用分类规则进一步的分析。最终可以得出每个x都取得最小的错误率 P(e)。

在对两种类别目标分析以后，需要展开多类别的分析。具体设置的模型可以为n 个类别 C1，C2，…，Cn。用 P(Ci)表示第i类别的先验概率，P(x|Ci)表示在第 i 类别下观测x的类条件概率密度。基于此，可以得出以下内容。

如果：P(x | Ci)·P(Ci) = max P(x | Cj)· P(Cj) ( j = 1,..., n)。则：x 属于类别Ci。

由于非结构化道路在检测过程中容易受到诸多因素的影响。因此，在实际的工作中，需要对其进行相应的多个分配，设置多类目标。

（二） 非结构化道路图像分割

在贝叶斯决策模型中，先验概率估计比较简单。在具体的分析中，可以采用概率密度函数P(x|Ci)。在该函数中，需要利用正态密度函数来对其展开分析。究其原因主要在于在自然环境中，大部分的随机变量都是服从或者近似的服从正态分布。因此，在分析中，采用正态分布的方式来处理具有一定的现实意义。在非结构化道路中，由于检测的环境比较复杂，并且容易收到光照等因素的干扰。因此，其影像图上不一定的表现出波峰和波谷。单纯的依靠图像来进行相应的判断有着极高的错误率。Otsu法则能够有效的解决上述问题。其主要的工作原理不是根据图像的幅度来进行判断，而是根据图像的灰度程度来进行判断。因此，利用上述方法则能够对其进行相应的图像分割。

首先，对与读入的彩色图像进行相应的灰度化处理，同时，根据设定好的C1，C2来对其进行分析。根据相应的灰度级类条件概率密度分布服从正态分布。经过相应的分析最终可以得出目标与背景。其具体的模型为：

设代表阈值为k时的类间差，P(Ci)、ui为Ci组参数的概率和均值，u为整体图像的均值。

=P(C1)(u1 − u)2 + P(C2 )(u2 − u)2。最优阈值 k* =arg max。

在进行非结构化的道路图像分析中，背景一般为树木、行人、等内容。在实际的统计直方图中其分布往往会不一种。基于此情况下，需要利用Otsu来进行相应的分析。在该模式中，对其目标与格力背景进行先验概算，然后根据目标与各类背景的数学期望与方差进一步分析。最后利用最小错误率贝叶斯决策进行目标与背景的判定。经过相关的分析，最终可以得出

(x-u1)2≥max（(x-u1)2+N0)。x为目标图像部分，反之则为背景部分。随后，需要对非结构化道路图像分割结果进行分析判断。

三、 基于Hough变换的道路线检测

Hough变换是一种能够对边缘特征进行有效捕捉的方法。该方法能够对各种形状边缘进行捕捉。在实际的运用中，先是利用Hough 来捕捉出其道路的边界线。然后对捕捉的道路边界线进行不断的延伸，在远方出延伸的路线进行相应的相交。随后对于直线区域外的部分进行相应的分析，最终就可以得到判断的道路内容。通过采用上述方法，其虽然会受到水迹方面的影响，其精准率难以得到有效的保障。在严重的情况下，容易将道路区域误判为非道路区域。针对这一问题，只需要能够判断出道路的边界线，同时对道路进行不断的延伸，继续利用上述方式就能够解决判断失误问题，道路检测的准确率能够得到有效提高。

四、 路面障碍物的提取与标定

在背景区域判定以后，需要对路面上的障碍物进行相应的判断标点。在判断中，需要设定阴影、积水部分在识别的过程中是以灰度的样式均匀出现的。而与之不同的障碍则是以另一种样式出现。因此，在判断中，路面的图像实际上占据了绝大部分的位置。在灰度直方图图中则是表现出明显的峰值。具体可以通过以下方式来加以实现。

一是，对道路区域进行分割，在分割中路面存在车辆等障碍物的时候此时呈现的直方图中除了比较常见的较大的峰值以外，起还会以若干较小的峰值来加以表现出来，表示不同的障碍物。随后，利用多阈值分割技术来对障碍物进行不断的分割和标识。

二是，假定路面里面没有障碍物的时候，直方图将会事宜较大的区域峰值的形式来加以表现出来的。在该图形中，灰度表示相应的干扰性的因素。在干扰性因素确定以后，继续采用单峰区域灰度值判断的方式来进一步明确障碍物。

五、 实验结果分析

在设定好理论模型以后，需要根据相应的模型来进行相应的实验验证。在不同的场景下拍摄具有代表性的非结构化道路图形进行进行相应的实验。同时，也在非结构化道路上进行相应的实验。通过相应的结果分析可以得出，大部分的道路边界检测结果不是特别满意。将本文的理论设定与常用的3中方法进行相应的比较，最终可以得出相应的比较结果。

从上述实验结果可以看出，本文所设定的计算方案有着很很好的检测能力，能够有效的弥补传统方案上的不做。传统的方案过于依赖大量数据的支持，而本文采用的方法则通过对Otsu和贝叶斯理论的运用能够保证减少对于大量数据的依赖。神经网络的方法则是过于注重样本。模型方式依托相应的选择模型。本文设定的方法则有着很好的识别能力。但是依然有着一定的不足。比如在处理水迹等问题时难以进行有效验证。需要加以改进。在障碍物的识别中，该方法能够检测出路面中存在的障碍物。虽然采用神经网络的方法也能够展开相应的障碍物的检测，但是需要大量的样本。模型的方法则是难以对障碍物进行相应的检测。总的来看，本文所设定的理论方法和计算方法能够有效的实现非结构化道路线的检测与障碍物的识别。

六、 总结

在对非结构化道路路面检测与路面障碍物识别中，本文提出了基于于最小错误率贝叶斯决策和 Hough变换相结合的非结构化道路检测与障碍物识别算法。该方法能够有效的对车道内的各种障碍物进行相应的标记。相较于以往的识别方法而言，该方法准确率更高，不需要过于依托样本和先验知识。当路面阴影、积水不是干扰非常严重的时候，并且对道路具有一定的信息了解情况下，利用该理论和计算方法能够有效的展开检测，路面障碍物识别率较高。

参考文献

[1]王庆阳,张秀珩.基于Canny算子的压缩机气阀边缘轮廓识别方法[J].机电工程技术.2020,(8)：17-18.

[2]宋大成,张兴媛,王啸伟,等.基于Canny的小资源占用边缘检测改进算法[J].智能计算机与应用.2020,(1)：78-79.

[3]王翔,张娟,方志军.基于最大熵和边缘信息的非结构化道路检测[J].电子科技.2020,(1)：25-26.

[4]许明,张娟,方志军.自适应道路模型的非结构化道路检测算法[J].传感器与微系统.2020,(1)：14-15.

[5]金勇,王振阳.智能驾驶中的车道检测及应用综述[J].传动技术.2019,(1)：20-21.